一个机器学习模型来预测逆膜淋巴结剖析标本的组织学

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 化疗后的逆上皮质淋巴结解剖 (PC-RPLND) 对瘤或可活生生的生殖细胞瘤 (GCT) 至关重要.
• 如果PC-RPLND仅显示缩,就会发生过度处理.
• 在PC-RPLND标本中预测残留瘤是具有挑战性的.

研究的目的:

• 开发机器学习模型来预测PC-RPLND标本中的残留瘤.
• 利用CT成像和临床变量进行预测.
• 提高GCT患者残留瘤的诊断准确度.

主要方法:

• 分析了接受PC-RPLND的58名患者.
• 应用了ResNet50 (CT成像) 和支持矢量机 (SVM) (临床变量) 算法.
• 使用了一个嵌套的,三重交叉验证协议.

主要成果:

• ResNet50的诊断准确率达到80.0% (灵敏度为67.3%,特异性为90.5%,AUC为0.84).
• SVM实现了74.8%的诊断准确率 (59.0%的灵敏度,88.1%的特异性,0.84的AUC).
• 组织学证实了在71/155个感兴趣的区域中的瘤.

结论:

• 机器学习模型可靠地区分了PC-RPLND标本中的残留瘤与缩.
• 人工智能驱动的CT成像和临床数据分析提高了诊断精度.
• 这些模型有可能减少GCT管理中不必要的过度处理.